Адаптироваться или исчезнуть: как AI преобразует IT-профессии

Да, и этот момент - это история со Swift. В 2014 году, когда Apple анонсировала этот язык программирования, большинство iOS-разработчиков продолжали работать на Objective-C. Это был сложный язык с высоким порогом входа. Swift же был простым, лаконичным, понятным. Его мог освоить человек без глубокого технического бэкграунда.

Я тогда увидел чёткий сигнал: если технология снижает порог входа и при этом активно продвигается самой платформой, она станет стандартом. Apple не просто выпустила Swift, она постоянно говорила о том, насколько он быстрее, эффективнее, современнее. Она сама начала переводить свои продукты на Swift. Это был однозначный вектор.

Я сделал на него ставку тогда, когда большинство ещё держались за Objective-C. Сегодня Swift является основным языком iOS-разработки. Этот паттерн: увидеть вектор до того, как он стал очевидным, с тех пор повторялся в моей карьере не раз. С переходом на SwiftUI, с ранним внедрением реактивного программирования и сейчас с AI.

Сегодня я вижу ровно ту же картину. Абсолютно все крупные компании публично демонстрируют, как они внедряют AI, как он сокращает время разработки, как оптимизирует процессы. Это не значит, что каждое такое заявление является чистой правдой. Но если все смотрят в одном направлении, значит, правда где-то рядом с этим направлением.

Да, есть обоснованные аргументы в пользу того, что AI является пузырём. Но даже если это так, это не повод для паники. Вспомните пузырь доткомов в начале 2000-х. Тысячи компаний обанкротились, инвесторы потеряли состояния. Казалось бы, катастрофа. Но что осталось после того пузыря? Оптоволоконные кабели на дне океанов, серверная инфраструктура, протоколы передачи данных: всё то, на чём сегодня держится весь интернет. В пузырь были инвестированы огромные деньги, и эти деньги построили фундамент цифрового мира, которым мы пользуемся каждый день.

С AI происходит то же самое. Даже если часть компаний переоценена, даже если хайп превышает реальность, инфраструктура, модели и инструменты, которые создаются прямо сейчас, никуда не денутся. Направление задано. Пузырь это или нет, AI уже меняет то, как мы работаем, и это изменение необратимо.

Парадокс в том, что AI делает две вещи одновременно, и они противоречат друг другу на первый взгляд.

С одной стороны, он снижает порог входа. Сегодня человек без глубоких знаний программирования может написать скрипт, создать прототип, автоматизировать задачу. Это меняет само представление о том, кто может называться "разработчиком".

Но с другой стороны, требования к профессионалам растут. Если раньше умение писать код было достаточным основанием для трудоустройства, то сейчас это уже не так. Потому что код пишут все. Вопрос в том, что ты можешь дать сверх этого.

Это та же история, что со Swift: да, на нём стало проще писать, и в iOS-разработку пришло больше людей. Но те, кто умел проектировать архитектуру, думать системно, видеть картину целиком, только выросли в цене.

Первое: архитектурное мышление. Низкоуровневые задачи: написать функцию, исправить баг, сгенерировать шаблонный код - всё это уже сегодня можно делегировать AI-агентам. Но проектирование системы, принятие архитектурных решений, понимание того, как части складываются в целое, это пока остаётся за человеком.

В моей практике это особенно заметно при работе над критическими платёжными сервисами. Там цена архитектурной ошибки несопоставимо выше, чем в стартапе. AI помогает ускорить исполнение, но решение о том, как строить систему, как обеспечить надёжность при миграции миллионов пользователей - это по-прежнему человеческий труд.

Второе: ответственность. Работу может выполнить агент, но ответственным за результат остаётся человек. Именно за эту ответственность и будут платить. Никто не уволит AI-агента, если что-то пошло не так. Уволят того, кто принял решение и поставил задачу.

Третье: мультизадачность нового типа. Раньше инженер работал с одной задачей, погружался в неё. Теперь у тебя есть, условно, армия агентов, каждый из которых работает над своим контекстом. Ты переключаешься между ними, даёшь обратную связь, проверяешь результат, направляешь следующий шаг. Это другой режим работы, более интенсивный, требующий умения удерживать несколько контекстов одновременно.

Сейчас я возглавляю направление внедрения AI-инструментов в отделе платежей по кредитным картам и могу сказать: AI рекламируется как инструмент, который позволит нам работать меньше, но на практике количество задач просто увеличивается. Потому что ты можешь делать их параллельно.

У меня есть сформированный подход, который я отрабатывал на протяжении десяти лет и над десятками проектов разного масштаба.

Первый шаг: мониторинг сигналов. Я регулярно просматриваю большое количество источников: технические публикации, активность в open-source сообществах, то, о чём говорят на конференциях, что продвигают сами платформы. Задача: отделить шум от устойчивого паттерна. Шум: о технологии пишут все, но никто не использует её в production. Устойчивый паттерн: она начинает решать реальные проблемы в реальных проектах.

Второй шаг: оценка жизнеспособности. Снижает ли она порог входа? Продвигает ли её сам вендор или платформа? Есть ли примеры успешного применения в критических системах, а не только в прототипах?

Третий шаг, и вот здесь, пожалуй, самое важное: безопасное внедрение. Большинство разработчиков либо ждут, пока технология полностью созреет и пройдёт через многолетнюю проверку, либо спешат внедрять всё новое без оценки рисков. Я работаю иначе: строю стратегию постепенного внедрения с механизмами отката, с валидацией на каждом этапе, с возможностью масштабировать удачное решение на большую организацию.

Именно так SwiftUI появился сначала в одном компоненте, затем прошёл через внутренние презентации и демо, а потом стал основой для organization-wide перехода. Тот же принцип применяется сейчас с AI-инструментами.

Стартапы однозначно быстрее. И причина простая: стартап по своей природе уже является риском. Добавить к этому риску использование непроверенной технологии означает несущественное изменение в общей картине, если этот новый инструмент может увеличить скорость разработки и продвижения стартапа. Скорость важнее качества, эксперимент важнее стабильности.

В крупных компаниях другая история. Там есть миллионы пользователей, регуляторные требования, репутационные риски. Ошибка в продакшене означает потенциально огромные финансовые потери и потерю доверия клиентов. Поэтому там думают долго, согласовывают тщательно, тестируют методично.

Я наблюдал ситуацию, когда весь мир уже активно пользовался AI-инструментами, а в крупной компании они ещё были под запретом из-за опасений по поводу утечки данных. Прошло время, был заключён индивидуальный контракт с поставщиком АI услуг, выделено изолированное хранилище. И только тогда инструменты появились. Медленно? Да. Но зато системно и безопасно.

Крупные компании наверстывают отставание через качество внедрения: они могут позволить себе пригласить специалистов из Anthropic или OpenAI, организовать корпоративное обучение, выстроить процессы. Стартапы в этом проигрывают.

Уникальная позиция, которую я занимаю сейчас, заключается именно в том, чтобы соединять эти два мира. Принести стартап-скорость в enterprise-среду, не создавая при этом enterprise-рисков. Это не просто установка нового инструмента. Это изменение культуры того, как команда воспринимает инновации.

Каждый тип компании преследует разные цели, и это формирует разный взгляд на технологии.

В стартапе главное это скорость роста. Там думаешь: что позволит нам двигаться быстрее, захватить рынок, найти пользователей. Ты берёшь самое новое, потому что это конкурентное преимущество. В аутсорсе всё определяется временем и деньгами. Есть идея заказчика, ограниченный бюджет, жёсткий дедлайн. Сразу думаешь: что можно автоматизировать, как ускорить процесс при минимуме ресурсов. За три года в одной из аутсорс-компаний я прошёл через более чем десяток проектов. Такой опыт тренирует навык быстро отбирать инструменты, которые реально работают под давлением, а не только в идеальных условиях.

В крупной продуктовой компании во главе угла стоит стабильность. Там думаешь иначе: как внедрить что-то новое так, чтобы ничего не сломать. Как доказать, что технология надёжна, прежде чем она получит доступ к критической инфраструктуре.

Когда у тебя есть все три угла зрения одновременно, ты начинаешь видеть технологии объёмно. Ты понимаешь, работает ли она только в идеальных условиях стартапа или выдержит нагрузку с миллионами пользователей.

В зоне риска любая рутинная работа. Если ваша деятельность сводится к повторяющимся, предсказуемым задачам, это именно то, что AI делает лучше всего и быстрее всего заменяет.

Выиграют те, кто работает с системным мышлением: архитекторы, технические лидеры, те, кто умеет управлять командами, в том числе командами из AI-агентов. Люди, способные принимать решения в условиях неопределённости и нести за них ответственность.

Отдельная история с junior-специалистами. AI с одной стороны облегчает обучение: найти информацию, разобрать концепцию, написать первый код - всё это стало доступнее. Но с другой стороны, порог для трудоустройства вырос. Потому что базовые навыки теперь есть у всех, кто умеет пользоваться AI. Чтобы тебя взяли на работу, нужно предложить что-то сверх этого.

Формула простая: чем выше абстракция вашей работы, тем устойчивее ваша позиция. Чем ближе она к исполнению, тем уязвимее.